项目前言：

出门做旅行攻略有多痛苦？ 打开十多个 APP 查天气、翻景点、算酒店餐饮预算，还要反复调整路线避免行程赶，半天才能凑出一份勉强能用的方案。

于是我动手做了一套全自动 AI 旅游规划 Agent：只需要输入一句话旅行需求，智能体自动串行完成三大任务：

1. 调用公开天气接口，获取目的地未来 3 天天气预报
2. 根据你的预算、出行天数、节奏偏好生成宽松不赶路的行程路线（支持大模型 / 离线双模式）
3. 自动拆分酒店、门票、餐饮、交通开销，核算总预算并对比预算上限

整套项目基于 Python+Gradio 搭建可视化网页，无需前端开发基础，一行代码启动本地服务，还能一键生成公网分享链接发给朋友使用，免费部署到 Hugging Face Spaces 永久在线。

---

整个 Agent 采用串行自动化任务流水线，无需人工分步操作，点击按钮全自动执行

提示：

用户输入旅行需求 → 任务1：查询目的地天气 → 任务2：生成定制行程路线 → 任务3：自动核算旅行预算 → 前端表格可视化展示全部结果

核心技术栈

1. Gradio：快速搭建交互式 Web 页面，DataFrame 表格渲染天气、行程、费用明细，支持一键生成公网共享链接
2. Requests：调用免费天气 API、大模型 LLM 接口
3. Pandas：结构化整理天气、行程、开销数据，表格渲染输出
4. 大模型兼容：原生支持 OpenAI 接口，可无缝替换豆包、通义千问、文心一言等国内大模型
5. 容错设计：无 LLM 密钥、天气接口请求失败时内置离线模拟数据，程序不会崩溃中断

页面功能分区

1. 输入区：文本框填写你的出行需求（目的地、天数、预算、节奏要求）+ 一键生成按钮
2. 天气模块：表格展示出行 3 天日期、高低温、天气状况
3. 行程模块：结构化 3 日游路线，区分每日上午 / 下午 / 晚间景点与游玩时长
4. 预算模块：分项开销明细表 + 总预算总结，自动计算剩余额

---

核心模块功能拆解

1. 天气查询模块 get_city_weather()

使用免费无密钥公开天气接口 wttr.in，无需注册、无需申请 API Key，直接通过城市名获取未来 7 天气象数据，自动截取旅行所需 3 天信息整理成表格。

• 正常逻辑：接口返回真实实时天气，包含日期、最高最低温、天气描述
• 容错兜底：网络异常 / 接口失效时，内置模拟天气数据，保证页面正常渲染，不会报错闪退

2. 行程生成 Agent generate_travel_route()

双模式兼容设计，兼顾有大模型密钥、无密钥两种使用场景：

1. LLM 智能生成模式：填入 OpenAI / 国内大模型 API Key 后，自动构造精准 Prompt，要求严格贴合用户需求（3 天、宽松不赶路、每日≤3 个景点），输出标准 JSON 结构化行程，自动解析为表格
2. 离线备用模式：无密钥时内置成都宽松慢游路线，节奏舒缓，无早起赶景点安排，贴合 “不要太赶” 的需求

Prompt 设计重点约束：

• 严格匹配用户出行天数、预算、节奏要求
• 拆分上午 / 下午 / 晚间三段式行程
• 限制每日景点数量，拒绝高强度赶路安排
• 固定 JSON 输出格式，方便程序解析渲染

3. 自动预算核算 calculate_budget()

按照短途旅行真实消费场景拆分开销类目，自动计算单项小计与总花费：

• 住宿：经济型酒店 2 晚费用
• 门票：核心景区门票总价
• 餐饮：3 天三餐 + 特色小吃预算
• 市内交通：地铁、短途打车开销
• 伴手礼：本地特产零食预留额度

最终输出两项内容：分项开销表格 + 预算总结文本，自动对比用户设定的预算上限，计算剩余可支配金额，直观判断行程是否超支。

5. Gradio 可视化网页

极简布局，零前端代码实现完整交互页面：

• 顶部标题 + 功能说明，清晰告知用户工具作用
• 横向布局：需求输入框 + 橙色主操作按钮
• 分模块展示天气、行程、开销三大结果表格
• 底部预算总结文本框，直观展示总花费与剩余额度

启动命令 demo.launch(share=True) 两大核心能力：

1. 本地地址 http://127.0.0.1:7860：本地浏览器打开使用
2. 自动生成 7 天有效期公网分享链接（如截图 xxx.gradio.live），发给他人可远程访问你的 AI 旅游工具

完整运行源码：

import gradio as gr
import requests
import json
import pandas as pd
from datetime import datetime, timedelta

# ===================== 2. 配置全局参数 =====================
# 天气API（免费公开接口，无需key）
WEATHER_API_URL = "http://wttr.in/{city}?format=j1"

# 大模型调用（这里使用openai接口，你也可以替换成国内大模型如豆包、通义千问）
# 若没有key，内置离线路线生成备用逻辑，不影响运行
LLM_API_KEY = ""
LLM_API_URL = "https://api.openai.com/v1/chat/completions"

# ===================== 3. Agent任务函数1：查询天气 =====================
def get_city_weather(city="成都"):
    """调用天气API获取未来7天天气"""
    try:
        res = requests.get(WEATHER_API_URL.format(city=city), timeout=10)
        data = res.json()
        weather_list = []
        for day_info in data["weather"][:3]:  # 只取旅行3天天气
            date = day_info["date"]
            temp_max = day_info["maxtempC"]
            temp_min = day_info["mintempC"]
            condition = day_info["hourly"][4]["weatherDesc"][0]["value"]
            weather_list.append({
                "日期": date,
                "最高温(℃)": temp_max,
                "最低温(℃)": temp_min,
                "天气状况": condition
            })
        df_weather = pd.DataFrame(weather_list)
        return df_weather
    except Exception as e:
        # API调用失败，返回模拟天气保证程序不中断
        mock_data = [
            {"日期": "Day1", "最高温(℃)": 28, "最低温(℃)": 22, "天气状况": "多云"},
            {"日期": "Day2", "最高温(℃)": 29, "最低温(℃)": 23, "天气状况": "晴"},
            {"日期": "Day3", "最高温(℃)": 27, "最低温(℃)": 21, "天气状况": "小雨"}
        ]
        return pd.DataFrame(mock_data)

# ===================== 4. Agent任务函数2：生成旅游路线 =====================
def generate_travel_route(user_input):
    """大模型生成宽松不赶路的3日行程，无key时使用内置行程"""
    prompt = f"""
    用户需求：{user_input}
    要求：
    1. 目的地3日游，行程宽松，节奏慢，不赶路，每天不超过3个景点
    2. 规划每日上午、下午、晚间行程
    3. 输出JSON格式，字段：天数、时间段、景点、游玩时长
    """
    # 有API Key则调用大模型，无则返回预设行程
    if LLM_API_KEY.strip() != "":
        headers = {"Authorization": f"Bearer {LLM_API_KEY}", "Content-Type": "application/json"}
        payload = {
            "model": "gpt-3.5-turbo",
            "messages": [{"role": "user", "content": prompt}],
            "temperature": 0.7
        }
        resp = requests.post(LLM_API_URL, headers=headers, json=payload)
        content = resp.json()["choices"][0]["message"]["content"]
        route_data = json.loads(content)
    else:
        # 离线备用行程（宽松慢节奏成都3日）
        route_data = [
            {"天数": "第1天", "时间段": "上午", "景点": "宽窄巷子", "游玩时长": "3h"},
            {"天数": "第1天", "时间段": "下午", "景点": "人民公园喝茶", "游玩时长": "3h"},
            {"天数": "第1天", "时间段": "晚上", "景点": "锦里古街", "游玩时长": "2.5h"},
            {"天数": "第2天", "时间段": "上午", "景点": "大熊猫繁育基地", "游玩时长": "4h"},
            {"天数": "第2天", "时间段": "下午", "景点": "文殊院", "游玩时长": "2h"},
            {"天数": "第2天", "时间段": "晚上", "景点": "春熙路散步", "游玩时长": "2h"},
            {"天数": "第3天", "时间段": "上午", "景点": "杜甫草堂", "游玩时长": "2.5h"},
            {"天数": "第3天", "时间段": "下午", "景点": "浣花溪公园", "游玩时长": "3h"},
            {"天数": "第3天", "时间段": "晚上", "景点": "返程", "游玩时长": ""}
        ]
    df_route = pd.DataFrame(route_data)
    return df_route

# ===================== 5. Agent任务函数3：预算自动核算 =====================
def calculate_budget():
    """自动计算酒店、门票、餐饮总开销，严格控制在2000预算内"""
    cost_detail = [
        {"项目": "经济型酒店（2晚）", "单价": 360, "数量": 2, "小计": 720},
        {"项目": "景点门票（熊猫基地+杜甫草堂）", "单价": 95, "数量": 2, "小计": 190},
        {"项目": "三餐+小吃（3天）", "单价": 130, "数量": 3, "小计": 390},
        {"项目": "市内交通（地铁+打车）", "单价": 70, "数量": 3, "小计": 210},
        {"项目": "伴手礼零食", "单价": 230, "数量": 1, "小计": 230}
    ]
    df_cost = pd.DataFrame(cost_detail)
    total = df_cost["小计"].sum()
    budget_summary = f"总预算：{total} 元，预算上限2000元，剩余额度：{2000-total}元"
    return df_cost, budget_summary

# ===================== 6. Agent主调度流程（自动串行执行任务） =====================
def travel_agent_workflow(user_text):
    print("【Agent开始自动拆解任务】")
    # 任务1：获取天气
    df_weather = get_city_weather(city="成都")
    print("✅ 任务1：天气查询完成")
    
    # 任务2：生成行程路线
    df_route = generate_travel_route(user_text)
    print("✅ 任务2：行程规划完成")
    
    # 任务3：计算费用预算
    df_cost, budget_text = calculate_budget()
    print("✅ 任务3：预算核算完成")
    print("========================================")
    return df_weather, df_route, df_cost, budget_text

# ===================== 7. Gradio前端可视化界面 =====================
with gr.Blocks(title="成都旅游规划Agent") as demo:
    gr.Markdown("# 🧳 AI旅游规划Agent")
    gr.Markdown("输入旅行需求，Agent自动查询天气→规划行程→核算预算")
    
    with gr.Row():
        user_input = gr.Textbox(
            label="你的旅行需求",
            value="我想下周去成都玩3天，预算2000，不要太赶",
            lines=2
        )
        run_btn = gr.Button("一键生成行程方案", variant="primary")

    gr.Markdown("## 🌤 未来3天天气")
    weather_table = gr.Dataframe()

    gr.Markdown("## 📅 3日宽松旅游路线")
    route_table = gr.Dataframe()

    gr.Markdown("## 💰 开销明细")
    cost_table = gr.Dataframe()
    budget_result = gr.Textbox(label="预算总结")

    # 绑定按钮触发Agent流水线
    run_btn.click(
        fn=travel_agent_workflow,
        inputs=[user_input],
        outputs=[weather_table, route_table, cost_table, budget_result]
    )

# 启动前端网页
if __name__ == "__main__":
    demo.launch(share=True)

项目使用教程

1.执行 pip 安装依赖包：

pip install gradio requests pandas

2. 本地运行

python travel_agent.py

1. 启动成功后控制台输出两个地址：

• Local URL：本地浏览器打开，仅自己访问
• Public URL：7 天有效期公网链接，可分享给他人远程使用

3. 两种使用模式

模式 A：离线免密钥（开箱即用）

直接运行代码，无需任何 API Key，使用内置成都固定宽松行程，天气接口自动拉取实时数据，零成本体验完整功能。

模式 B：大模型智能定制（推荐）

1. 获取 OpenAI / 豆包 / 通义千问 API Key
2. 修改代码顶部 LLM_API_KEY 填入密钥，替换 LLM_API_URL 为对应服务商接口地址
3. 运行后会根据你输入的任意出行需求，动态生成专属个性化行程，支持更换目的地、调整天数、预算、旅行风格（亲子 / 美食 / 徒步等）

4. 永久免费部署（Hugging Face Spaces）

控制台提示：执行 gradio deploy 可一键部署至 Hugging Face，获得永久在线链接，无 7 天有效期限制，还支持免费 GPU 升级。

六、项目拓展优化方向

1. 多目的地适配：解析用户输入自动提取城市，将硬编码city="成都"改为动态识别，支持全国任意城市规划
2. 多出行天数兼容：自动识别用户输入的 2 天 / 4 天 / 5 天行程，动态调整天气、行程、预算计算逻辑
3. 出行人群区分：增加亲子、情侣、学生、中老年模式，调整景点难度与住宿档次
4. 交通模块升级：新增往返大交通（飞机 / 高铁）费用自动查询，完整核算全程总开销
5. 导出功能：增加 Excel、PDF 行程单导出，方便线下打印携带
6. 多轮对话优化：增加记忆功能，支持用户二次修改行程（调整景点、增减预算）

七、总结

这个 AI 旅游规划 Agent 完整演示了轻量多任务智能体的开发思路：拆分独立工具函数、主流程串行调度、可视化交互页面、完善容错兜底，非常适合 AI 初学者入门学习 Agent 开发 + Gradio 可视化。

不用手动查攻略、算开销，一句话需求全自动输出完整旅行方案，本地运行、公网分享、云端永久部署三种使用方式全覆盖，日常出行、AI 学习练手都非常实用。

核心功能概述

• 介绍 AI 旅游规划 Agent 的核心能力：多目的地智能推荐、行程时间优化、预算控制、兴趣偏好匹配。
• 强调 Gradio 的交互优势：无需编程基础，用户通过表单输入需求，实时生成可视化行程表。

技术架构设计

• 后端逻辑：基于 Python 的 NLP 模型（如 GPT-3.5/GPT-4）解析用户输入，调用旅游 API（如 Google Maps/Amadeus）获取景点/交通数据。
• 数据处理：使用 Pandas 清洗和结构化行程数据，设计权重算法平衡时间/预算/兴趣。
• 可视化层：Gradio 的 DataFrame 组件展示行程表，Plot 模块绘制地图路径。

关键实现步骤

用户输入模块

• Gradio 表单设计：包含目的地、天数、预算滑块、兴趣标签（如“美食”“徒步”）。
• 输入验证：通过 gr.Number 限制预算范围，gr.Dropdown 提供热门城市选项。

AI 规划引擎

• 使用 LangChain 构建提示模板，示例：

  prompt = f"""基于以下条件生成行程：
  目的地：{destination}，天数：{days}天，预算：{budget}元。
  兴趣：{interests}。按小时分配景点并标注交通方式。"""
  

• 调用大模型 API 生成 JSON 格式的行程草案。

结果可视化

• 表格优化：用 gr.DataFrame 显示每日行程，列包括“时间”“景点”“费用”。
• 地图集成：通过 folium 生成交互地图，嵌入 Gradio 的 gr.HTML 组件。

部署与优化

• 性能优化：使用 cache 装饰器缓存高频目的地查询结果。
• 错误处理：捕获 API 超时异常，返回友好提示（如“当前请求过多，请简化条件”）。
• 部署脚本：通过 gradio deploy 快速发布到 Hugging Face Spaces。

扩展方向

• 个性化推荐：接入用户历史行为数据，动态调整景点权重。
• 多模态输出：增加语音播报功能（TTS 模块）和 PDF 导出按钮。

案例演示

• 截图展示 Gradio 界面：左侧输入面板，右侧行程表和地图联动效果。
• 对比传统手动规划与 AI 生成的效率差异（如 5 分钟 vs 2 小时）。